Recurrent Knowledge Graph Embedding for Effective Recommendation

论文相关内容

使用知识图谱来进行有效的推荐：

知识图谱(KGs)已被证明是提高推荐的有效方法。现有的方法主要依赖于KGs(例如，元路径)的手工工程特性，这需要领域知识。本文介绍了RKGE，一种KG嵌入方法，可以自动学习实体和实体之间路径的语义表示，以表征用户对项目的偏好。具体来说，RKGE采用了一种新的递归网络架构，该架构包含一批递归网络，用于对链接相同实体对的路径的语义建模，这些路径无缝地融合到推荐中。它还使用了一个池操作符来区分不同路径在描述用户对项目的偏好时的重要性。

网络框架

网络框架图如下：
嵌入层. 对于pl中的每个实体et，嵌入层学习一个分布式表示plt，该plt将et映射到一个低维向量中，该向量的每个元素表示该实体与潜在主题的相关性，从而获取该实体的语义。这导致路径pl表示为pl = {pl0, pl1, pl2，···，plT}，其中每个元素表示对应实体在pl中的表示(嵌入)。然后将这个新的表示形式作为输入输入到隐藏层，以学习编码整个路径的单个表示形式。

注意门隐藏层. 为了学习路径表示，隐藏层同时考虑路径中实体的嵌入和这些实体的顺序。采用基于流程的方法对路径e0开始实体到结束实体eT的序列进行编码:在每个t-1步骤中，它就会学习一个隐藏状态hl（t-1），它编码从e0到et-1的子序列，然后把它和当前的实体嵌入plt一起作为输入来学习hlt。

各个量的公式如下：

算法流程

总结

1、相关背景：知识图谱可以有效提高推荐性能，现有方法依赖手工提取特征。
2、问题是什么：有效利用知识图谱来提升推荐性能。
3、现有解决方案：现有的基于图、元路径、知识图谱嵌入的方法（都各有其缺陷）。
4、作者的核心思想创新点在哪里：提出循环网络+知识图谱，可以自动高效的学习知识图谱中的实体和实体关系用来描述用户对项目的偏好并选择一条好的推荐路径，包含一批循环神经网络，一个循环神经网络表示一条路径。
5、通过什么样的实验进行验证：与各种推荐算法在两个数据集上、以prec@N和MRR作为评价度量进行实验对比。
6、对我的启发：抓住事物的本质去看待问题。